# 通過競爭一致的大師 Kaggle > 原文： [https://machinelearningmastery.com/master-kaggle-by-competing-consistently/](https://machinelearningmastery.com/master-kaggle-by-competing-consistently/) _ 你如何擅長 Kaggle 比賽？_ 這是我被問到的一個常見問題。入門和獲得成功的最佳建議是始終如一地參加比賽。你不禁會在機器學習上變得更好。 Triskelion 最近發表了一篇題為“ [_ 的文章，反映了一年的 Kaggle 比賽 _](http://mlwave.com/reflecting-back-on-one-year-of-kaggle-contests/) ”將這一點暴露出來。他最初是一名機器學習初學者，最終成為“[大師](https://www.kaggle.com/users/114978/triskelion)”級別的 Kaggle 競爭對手（達到 10％和前 10 名） 在這篇文章中，我們將回顧 Triskelion 的一貫參與的教訓，作為開始一個大師 Kaggle 的方法。 [](https://3qeqpr26caki16dnhd19sv6by6v-wpengine.netdna-ssl.com/wp-content/uploads/2014/08/compete-consistently.jpg) 持續競爭 [保羅](https://www.flickr.com/photos/vegaseddie/3309218023)的照片，保留一些權利 ## 一個良好的開端的關鍵 我認為 Triskelion 的關鍵開始并有信心繼續下去是兩個方面： 1. **轉載結果**：他轉載了論壇和博文中描述的結果。 2. **二手工具**：通過再現結果，他發現并開始使用 [Vowpal Wabbit](http://hunch.net/~vw/) 和 [scikit-learn](http://machinelearningmastery.com/a-gentle-introduction-to-scikit-learn-a-python-machine-learning-library/ "A Gentle Introduction to Scikit-Learn: A Python Machine Learning Library") 等工具。 重現結果 這是一個顯而易見但極其被低估的方法。 缺乏良好的機器學習教程。最好的代理（并且比玩具數據集上的教程更好）是論壇上的“如何擊敗基準”帖子以及比賽結束時的“我如何發布帖子”。 這樣做的原因是這些準教程可以讓您深入了解世界級分析師如何思考并解決問題。例如：他們使用的工具，他們如何設置他們的管道，他們使用的參數，過程，一切。 模仿這些元素是一種巧妙的方式來引導您的機器學習技能。 ## 使用好工具 初學者的錯誤是從頭開始重新實現算法。 有大量強大的工具可供使用，您必須利用它們。您將獲得更好的結果，更快。這將激勵您進一步推動。 Triskelion 很早就發現了 Vowpal Wabbit 并且不怕玩它。大眾是一個非常強大的工具，甚至專業人士也很難。 事實上，我在機器學習方面受過訓練的“專家”中看到的一個問題是忽視甚至嘲笑現代或不同的工具。他們在 R 或 Weka 中學習機器學習，因此每個問題都只能用他們選擇的武器來解決。 您知道并可以使用的工具越多，您就越需要考慮和解決問題。 ## 獲得成功的關鍵 持續競爭是獲得成功的關鍵。 好是相對的，但 Triskelion 現在明顯好于一年前（[比其他近 20 萬競爭對手](https://www.kaggle.com/users/114978/triskelion)好），這主要歸功于他積極的參與時間表。 他列出了 7 個特定的比賽，但他的個人資料顯示他參加了 15 場比賽。 如果你想要擅長機器學習比賽，請跟隨他的領導并參加很多比賽。即使您剛剛在前幾個中達到基準，您將學到很多關于數據準備和工具的知識。 如果您重現您在博客和論壇上發布的那些競賽結果，那么收益將是非線性的。 ## 比賽小貼士 最后，Triskelion 完成了許多提示。 * **實踐很多**：盡可能多地提出挑戰，逐步改進。 * **研究評估指標**：真正了解 AUC 等（[查看指標列表](https://www.Kaggle.com/wiki/Metrics)） * **研究領域**：商業案例，論文，最新技術，特色工程 * **團隊合作**：前 10 名的成績很難，但他需要團結起來才能實現。 * **閱讀論壇**：發布比賽帖子，了解獲勝解決方案。 * **分享論壇**：在給定問題上有很多角度，不要分享太多。 * **使用合奏**：它們總能改善結果，可以為您提供簡單模型的前 10 名。 * **實驗**：嘗試想法而不是生活在思想中 * **創造力**：在盒子外面思考 * **工具**：查找并使用好的算法。 * **調整**：使用交叉驗證，調整所有模型參數。 他的最后一個提示是玩得開心。 這可能是最重要的一點。有競爭力的機器學習非常有趣。找到它的樂趣。在開始時需要一些毅力來克服知識駝峰。做“好”（擊敗基準）的行為可能是一開始的有趣部分。